Aug, 2020

TNT: 基于目标的轨迹预测

PDF
TL;DR利用目标状态的预测为驱动力，在 $T$ 步预测范围内的运动主体的未来行为，是目前实现移动体轨迹预测的有效方法，为了更加准确，研究新提出的轨迹预测框架 TNT 以代替前人的潜意识变量方法，并在预测车辆和行人轨迹中，超过 Argoverse Forecasting、INTERACTION、Stanford Drone 和一个内部的 Pedestrian-at-Intersection 数据集达到了当今最高水平。
moving agentstrajectory predictiontarget-drivenlatent variablesbenchmark
发现论文，激发创造
  • DenseTNT: 密集目标集的端到端轨迹预测

    本文提出一种名为 DenseTNT 的无锚和端到端轨迹预测模型，并介绍了一种离线优化技术，为我们的在线模型提供多重未来的伪标签。实验表明，DenseTNT 在 Argoverse 运动预测基准测试中排名第一，并成为 2021 Waymo 开放数据集运动预测挑战的第一名。

    Aug, 2021

  • DenseTNT：Waymo 开放数据集运动预测挑战第 1 名解决方案

    提出一种名为 DenseTNT 的无锚点（anchor-free）模型，通过稠密的目标概率估计进行轨迹预测，取得了最先进的性能，在 Waymo Open Dataset 运动预测挑战中排名第一。

    Jun, 2021

  • TPNet: 运动预测的轨迹提议网络

    提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有效地缓解了运动预测问题的复杂性，同时保证了多模态输出。

    Apr, 2020

  • TrafficPredict: 面向异构交通行为的轨迹预测

    提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict，通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性，应用于自动驾驶交通领域，较之先前的算法具有更高的准确性。

    Nov, 2018

  • 智能：多智能体联合递归轨迹预测

    本文提出了一种解决多模态数据和场景下多主体交互的轨迹预测问题的方法，使用 convLSTM 结合 CVAE 进行多样性预测，通过多元化的数据集模拟，取得了比现有方法更好的效果

    Jul, 2020

  • TITAN：使用动作先验进行未来预测

    我们提出了 TITAN 模型，其利用先前的位置，动作和环境来预测未来代理和未来自我动作的轨迹，并通过在 TITAN 数据集上的试验获得了显着的性能提高，并报告了代理重要性机制（AIM）的有希望的结果来评估知觉风险的影响。

    Mar, 2020

  • 基于关键帧的层次化端到端深度模型用于长期轨迹预测

    该研究提出了一种基于关键帧的路径预测深度学习框架 KEMP，能够自动学习并不需要手工设计的目标选择算法，且在公共基准测试中获得了很好的表现。

    May, 2022

  • 一种端到端的汽车轨迹预测框架

    本文提出了一种新颖的端到端架构，该架构接受原始视频输入并输出未来车辆运动轨迹预测，以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置，然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模，从而达到了高精度的未来车辆轨迹预测，实验结果表明，该算法优于目前各种先进模型。

    Apr, 2023

  • GoalNet: 面向目标区域的行人轨迹预测

    通过使用场景上下文和观察到的轨迹预测目标点，再根据目标点预测未来轨迹，GoalNet 可以显著提高行人轨迹预测的性能。

    Feb, 2024

  • Trajectron++：具动态可行性的混合数据轨迹预测

    Trajectron++ 是一个模块化的、图形结构的循环模型，它可以预测多个不同智能体的运动轨迹，同时考虑智能体的动态及不同的数据（例如，语义地图），它与机器人规划和控制框架紧密集成，能够在多个具有挑战性的真实轨迹预测数据集中表现出更好的性能。

    Jan, 2020